-
公开(公告)号：CN115205544A
公开(公告)日：2022-10-18
申请号：CN202210886196.3
申请日：2022-07-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于前景参考图像的合成图像和谐化方法及系统，该方法包括：利用原始合成图像的前景掩膜及目标检测预训练模型对原始合成图像进行处理，得到前景图像的参考图像，并对真实标签图像、原始合成图像和参考图像进行图像预处理，得到训练集；构建基于前景参考图像的双分支合成图像和谐化网络，该网络由三个部分组成，分别为背景特征提取融合模块、前景参考图像特征提取融合模块和双分支特征融合微调模块；构建合成图像和谐化网络的目标损失函数；使用训练集图像训练所述合成图像和谐化网络；将新的合成图像进行前景参考图像提取，然后输入训练好的合成图像和谐化模型，输出经过和谐化的图像。该方法及系统有利于提高合成图像和谐化质量。
-
公开(公告)号：CN115205160A
公开(公告)日：2022-10-18
申请号：CN202210960432.1
申请日：2022-08-11
Applicant: 福州大学
Abstract: 本发明涉及一种基于局部场景感知的无参考低照度图像增强方法，包括以下步骤：步骤S1:获取低照度图像，并对每幅图像进行预处理，得到训练数据集；步骤S2:构建基于局部场景感知的低照度图像增强网络；步骤S3：设计用于训练步骤S2所设计网络的无参考损失函数；步骤S4:基于无参考损失函数，采用训练数据集训练基于局部场景感知的低照度图像增强网络；步骤S5:将待测图像通过训练后的基于局部场景感知的低照度图像增强网络，获取正常照度图像。本发明能有效实现低照度图像的增强。
-
公开(公告)号：CN111798400B
公开(公告)日：2022-10-11
申请号：CN202010700648.5
申请日：2020-07-20
Applicant: 福州大学
Abstract: 本发明涉及一种基于生成对抗网络的无参考低光照图像增强方法及系统，该方法包括以下步骤：分别对原始分辨率的低光照图像和正常光照图像进行预处理，得到用于训练的不成对的低光照图像块和正常光照图像块；构建用于低光照增强的生成器网络和用于进行对抗训练的判别器网络；使用低光照图像块和正常光照图像块交替训练生成器网络和判别器网络收敛到纳什平衡；将用于测试的原始低光照图像输入训练好的生成器网络预测其增强后的图像。该方法及系统有利于提高低光照图像增强的质量。
-
公开(公告)号：CN109978854B
公开(公告)日：2022-07-08
申请号：CN201910229783.3
申请日：2019-03-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于边缘和结构特征的屏幕内容图像质量评估方法，包括以下步骤：步骤S1：将输入的图像从RGB颜色空间转换到LMN颜色空间，然后将Gabor滤波器的虚部作用在L分量上，提取图像的边缘特征；步骤S2：将输入的图像转换成灰度图，利用Scharr滤波器在灰度图上计算梯度图，然后在梯度图上使用局部二值模式（LBP）算子计算LBP图，再根据LBP图在梯度图上计算得到图像的结构特征；步骤S3：根据步骤S1和步骤S2中的两种特征，利用随机森林训练图像评估模型，利用训练好的模型预测所有测试图像的质量分数。本发明通过考虑人类视觉系统的特点，结合图像的边缘和结构特征来评估图像的质量，能显著提高无参照图像质量评估性能。
-
公开(公告)号：CN112766221B
公开(公告)日：2022-06-14
申请号：CN202110134342.2
申请日：2021-02-01
Applicant: 福州大学
IPC: G06V20/10 , G06V20/54 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 本发明涉及一种基于船舶方向和位置多任务的SAR图像船舶目标检测方法。包括：步骤A：划分数据集，进行数据增强，将图像和标签数据转化成用于SAR图像船舶目标检测的数据；步骤B：设计基于SAR图像船舶特征的目标检测网络的多尺度特征提取模块、船舶方向分类模块和用于多任务检测的双分支检测头；步骤C：设计目标检测网络的损失函数，指导网络梯度计算和参数优化；步骤D：使用步骤C设计的损失函数对步骤B设计的目标检测网络进行训练，优化网络参数；步骤E：将待测试的图像输入训练好的网络预测船舶目标，使用非极大值抑制过滤冗余的船舶目标，得到最终检测结果。本发明方法能有效减少预测结果与真实船舶目标之间的差异。
-
Patent Agency Ranking
公开(公告)号：CN111950655B
公开(公告)日：2022-06-14
申请号：CN202010861877.5
申请日：2020-08-25
Applicant: 福州大学
IPC: G06V10/764 , G06V10/80 , G06V30/19 , G06N3/04
Abstract: 本发明涉及一种基于多领域知识驱动的图像美学质量评价方法，步骤S1：设计一个密集连接网络作为主干网络，提取图像的美学特征；S2：设计一个半监督学习算法，同时从有标签和无标签图像学习风格特征，提取图像的风格特征；S3：使用场景语义分类数据集和情感分类数据集训练场景语义分类模型和情感分类模型，提取图像的语义特征和情感特征；S4：使用梯度提升算法XGBoost，对提取到的特征进行特征筛选与融合，分别训练SVM分类模型和SVR回归模型来预测图像的美学质量。本发明能显著提高美学质量预测精度。
-
公开(公告)号：CN111242916B
公开(公告)日：2022-06-14
申请号：CN202010023531.8
申请日：2020-01-09
Applicant: 福州大学
Abstract: 本发明涉及一种基于配准置信度量的图像显示适应评估方法，包括步骤：对原始图像进行显著性检测，生成显著性图；计算待评估的显示适应结果图像和原始图像之间的配准置信度量；计算待评估的显示适应结果图像的块级图像相似度量；利用配准置信度量对块级图像相似度量进行校正，得到块级保真度量；使用显著性图对块级保真度量进行加权池化并得到图像质量分数。本发明有利于提高图像显示适应评估性能。
-
公开(公告)号：CN109816592B
公开(公告)日：2022-05-13
申请号：CN201910077583.0
申请日：2019-01-26
Applicant: 福州大学
IPC: G06T3/40
Abstract: 本发明涉及一种基于卷积神经网络的单帧图像连续尺度超分辨率方法。首先，输入待超分辨率的低分辨率图像和放大尺度因子t；其次，根据输入的放大尺度因子确定其对应的最优整数放大尺度因子s，利用双三次插值算法将输入的低分辨率图像放大s倍；再而，利用现有的基于卷积神经网络的超分辨率算法的网络模型，放大图像进行特征提取及重建，得到放大了s倍的高分辨率图像；最后，对得到的高分辨率图像，使用双三次插值缩放至目标分辨率，得到最终的放大了t倍的高分辨率图像。本发明能够有效地提高已有基于卷积神经网络的超分辨率算法在连续放大尺度超分辨率上的性能，可应用于图像处理、计算机视觉等领域。
-
公开(公告)号：CN109635882B
公开(公告)日：2022-05-13
申请号：CN201910062293.9
申请日：2019-01-23
Applicant: 福州大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种基于多尺度卷积特征提取和融合的显著物体检测方法，首先进行数据增强，同时对彩色图像以及对应的人工标注图进行处理，增加训练数据集的数据量；接着提取多尺度特征，并进行通道压缩来优化网络的计算效率；然后融合多尺度的特征，得到预测的显著图；最后通过求解最小化交叉熵损失，学习到模型的最优参数；最终利用训练好的模型网络来预测图像中的显著物体。本发明能显著提高显著物体检测精度。
-
公开(公告)号：CN108549872B
公开(公告)日：2022-03-22
申请号：CN201810342794.8
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种适用于重定向图像质量评估的视觉注意融合方法，包括以下步骤：1、读取原始图像，使用两种显著物体检测算法生成两种显著性图；2、使用均衡化操作减小两种显著性图的分布差异，生成两幅均衡化显著性图；3、使用对应点的显著性值相加求平均的方法融合两幅均衡化显著性图，经归一化操作生成融合显著性图；4、检测原始图像中的人脸和线条信息；5、在约束放大极值的条件下，自适应地放大融合显著性图中的人脸矩形框和线条区域的显著性值，生成包含人脸和线条信息的融合显著性图；6、使用显著性增强模型增加融合显著性图的对比度，经归一化操作生成视觉注意融合显著性图。该方法能够提高客观质量评估结果与主观感知的一致性。
-
-
-
-
-
-
-
-
-
Search Results
215
records
(took 0.027 seconds)
